CMU Subword Modeling | 23 Syllables and Syllabification

本文解读 CMU "Subword Modeling" (Spring 2026) 第23讲：Syllables and Syllabification。

这节课介绍音节的内部结构、响度层级的形式化定义，以及基于响度的自动音节切分算法。音节是一个比音素更大、比词更小的语音单位，它在语音学规则中扮演核心角色，也跟形态学和 subword tokenization 有直接关联。

1. 什么是音节

几乎所有语言的语音都可以被分组为「音节 syllable」。音节是一段具有如下特征的语音序列：

有一个响度峰值
峰值之前响度持平或上升
峰值之后响度持平或下降

直觉上就是「一个发音脉冲」。你对着任何一个词拍手打节拍，每拍一下就是一个音节。母语者几乎不需要思考就能做到这一点。

1.1 音节的内部结构

音节的标准结构模型是这样的：

复制代码

        σ (音节)
       / \
    onset  rhyme
           / \
       nucleus  coda

以英语单词 "blast" /blæst/ 为例：

onset 声母：/bl/，音节开头的辅音部分
nucleus 核心：/æ/，音节的响度峰值，通常是元音
coda 韵尾：/st/，核心之后的辅音部分
rhyme 韵：nucleus + coda，即 /æst/

一个有趣的历史细节：这个结构最早是中国隋唐时期的音韵学家发明的，记录在《切韵》和《广韵》等韵书中。后来被美国语言学家 Charles Hockett 重新发现。Hockett 本人串联了这门课的很多主题：他是把形态学理论分成 IA、IP、WP 三派的人，也提出了最早的基于 HMM 的形态学概率模型，还曾与 Claude Shannon 短暂合作。

1.2 核心不一定是元音

大多数时候 nucleus 是元音，可以是单元音 monophthong 也可以是双元音 diphthong。但有时候辅音也可以充当 nucleus，比如英语 "indescribable" /ɪn.dəs.ˈkraj.bə.bl̩/ 最后一个音节的核心是成音节辅音 /l̩/。

2. 音节为什么重要

Mortensen 给了一系列证据，说明音节不是一个随意的分组方式，而是语音系统中的核心结构单元：

重音分配在音节上。 英语的重音落在特定的音节上，而不是特定的音素上。
韵律脚以音节为单位定义。 一个韵律脚通常是两到三个音节的组合，其中一个是重读的。
声调分配在音节上。 在很多声调语言中，每个音节承载一个声调。
某些音只能出现在特定的音节位置。 英语里 /ŋ/ 只能出现在 coda 位置：可以说 "mung" 但不能说 "ngum"。普通话里，除了 /n/ 和 /ŋ/ 之外的所有辅音都只能出现在 onset 位置，而 /ŋ/ 只能出现在 coda。
语音交替基于音节位置。 上节课讲的加泰罗尼亚语词尾清化，更准确地说是 coda 位置的清化。英语的送气规则也跟音节有关：onset 位置的塞音才可能送气，coda 位置的永远不送气。
在很多语言里，语素和音节高度重合。 所有现代中文变体都有这个特点：一个语素大致对应一个音节。很多其他语言里，语素边界也总是落在音节边界上。

最后一点对 subword modeling 特别重要。如果语素边界总是在音节边界上，那么一个「好的」tokenizer 切出来的 subword 理论上也应该尊重音节边界。切在音节中间的 token 大概率是没有语言学意义的碎片。

3. 响度：音节的物理基础

音节的核心概念是响度 sonority。定义上有点循环：响度就是一个音「有多适合做音节核心」。但它跟声学上的响亮程度高度相关。

Blevins 用发音特征把响度形式化为一个决策树。从高到低排列：

复制代码

低元音 > 中元音 > 高元音 > 滑音 > 近音 > 鼻音 > 浊擦音 > 清擦音 > 浊塞音 > 清塞音

最左边的低元音响度最高，最适合做 nucleus；最右边的清塞音响度最低，只能出现在 onset 或 coda。

这个层级跟发音特征的对应关系很清晰：

$+cons\] vs \[-cons\] 区分了辅音和元音/滑音$
$+cont\] vs \[-cont\] 在阻碍音内部区分了擦音和塞音$

PanPhon 实现了这个决策树，可以自动计算任意音素的响度值。

4. 基于响度的自动音节切分

有了每个音素的响度值，就可以用算法自动做音节切分。Mortensen 介绍了一个实现在 syllabiphon 工具里的算法。

核心思路很简单：在响度序列中找到所有的峰值，然后在峰值之间的低谷处画音节边界。

具体步骤是：

把输入的音素序列转成响度值序列
找到所有响度值超过阈值 α 的位置，这些是潜在的 nucleus
在每两个相邻 nucleus 之间，找到响度从下降转为上升的位置，在那里画边界
处理边界情况：如果一个位置在第一个 nucleus 之前或最后一个 nucleus 之后，不画边界

这个算法的优势是完全不需要训练数据，也不需要针对特定语言做调整。只要有音素到响度值的映射，就能对任何语言做音节切分。代价是精度不如基于 HMM 等监督模型的方法。

5. 捣乱分子：/s/ 的特殊行为

响度层级有一个出了名的例外：英语的清擦音 /s/。

按照 Blevins 的层级，/s/ 的响度比 /t/ 高。这意味着在 coda 位置，/s/ 应该比 /t/ 更靠近核心。如果一个音节已经有了 /t/ 作为 coda，/s/ 就不应该出现在 /t/ 的外面。

但实际上英语允许这样的序列：

复制代码

pat     /pæt/      ✓ 符合预测
pass    /pæs/      ✓ 符合预测
past    /pæst/     ✓ 符合预测
pats    /pæts/     ✗ 违反响度下降原则
pasts   /pæsts/    ✗ 严重违反

"pats" 里 /s/ 出现在 /t/ 的外面，"pasts" 更离谱，coda 是 /sts/，响度先降再升再降。同样的问题出现在 onset：英语允许 "spat" 但不允许 "psat"，可是按响度层级 /s/ 比 /p/ 响度高，/sp-/ 这个 onset 的响度是先降后升的，违反了「onset 响度应该上升」的原则。

Mortensen 提到的一个处理方案是：在词边界处把擦音的响度值设为最低值，然后再做音节切分。这相当于承认 /s/ 在词边界有特殊地位，不受正常响度约束的限制。

这个问题在语音学里被广泛讨论，没有完全令人满意的解决方案。但对于实际的音节切分算法来说，这种 ad hoc 的修补已经足够让算法在大多数情况下正确工作。

6. 总结

概念	核心内容	跟 NLP 的关系
音节结构	onset + nucleus + coda	语素边界倾向于落在音节边界上，好的 tokenizer 应该尊重音节结构
响度层级	低元音 > ... > 清塞音	可以用发音特征自动计算，是音节切分算法的基础
自动音节切分	在响度序列的低谷处画边界	无需训练数据，可用于任何语言
/s/ 的特殊行为	词边界处的擦音不遵守响度约束	提醒我们语音学规律总有例外，算法需要容错

核心 takeaway：

音节是语音系统中比音素更大的结构单位，大量语音规则都以音节位置为条件。响度层级提供了一种形式化的方式来定义音节，并且可以实现为不依赖训练数据的自动切分算法。对于 subword modeling 来说，音节的重要性在于：在很多语言里语素边界和音节边界高度重合，这意味着一个在音节中间切断的 token 很可能既没有语音学意义，也没有形态学意义。